CN105957170B - 一种基于云计算的智能考勤管理方法及系统 - Google Patents
一种基于云计算的智能考勤管理方法及系统 Download PDFInfo
- Publication number
- CN105957170B CN105957170B CN201610247967.9A CN201610247967A CN105957170B CN 105957170 B CN105957170 B CN 105957170B CN 201610247967 A CN201610247967 A CN 201610247967A CN 105957170 B CN105957170 B CN 105957170B
- Authority
- CN
- China
- Prior art keywords
- attendance
- time
- data
- work
- service
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
Abstract
本发明公开了一种基于云计算的智能考勤管理方法及系统,方法包括:构建由基础设施层、平台层和软件应用层组成的云考勤架构并通过基础设施层获取所需的考勤数据以及位置数据;根据构建的云考勤架构以及获取的数据进行智能考勤管理分析,以输出考勤人员的评价、趋势描述、规律描述和打分。本发明构建了由基础设施层、平台层和软件应用层组成的云考勤架构,将考勤管理服务部署在云平台上,成本较低且效率较高;基础设施层采用了服务器集群、分布式存储系统以及大数据管理系统,能极大提升海量考勤数据的处理速度,而平台层能提供基于MapReduce的考勤数据并行处理服务,进一步提升了考勤数据的处理速度。本发明可广泛应用于考勤领域。
Description
技术领域
本发明涉及考勤领域,尤其是一种基于云计算的智能考勤管理方法及系统。
背景技术
现在企、事业管理的一项重要组成部分就是其人事考勤制度,它的好坏直接影响到单位的经济、社会效益以及员工的薪资等诸多方面。因此,对单位员工的出勤情况进行有效、科学地管理已经成为每个单位所需面临的重要课题。
随着考勤技术发展的相对成熟,众多考勤系统应运而生。考勤系统集成有先进的计算机考勤管理软件。考勤管理系统被用于企业内部管理员工的出勤情况,如上下班、迟到、早退、请假、公休、加班等,是企业统计员工绩效的重要手段。很多考勤管理系统支持使用指纹识别、人脸识别、刷卡、输入密码的考勤终端来录入考勤信息。
然而,现有的考勤管理系统一般需要企业部署专用的服务器设备,且需要专业的人员进行管理和维护,成本较高且效率较低。随着互联网+时代的到来,考勤管理系统需处理的考勤数据呈现井喷式增长,现有的考勤管理系统已无法满足人们对海量考勤数据处理速度的高要求。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种成本低、效率高和数据处理速度快的,基于云计算的智能考勤管理方法。
本发明的另一目的在于:提供一种成本低、效率高和数据处理速度快的,基于云计算的智能考勤管理系统。
本发明所采取的技术方案是:
一种基于云计算的智能考勤管理方法,包括以下步骤:
S1、构建由基础设施层、平台层和软件应用层组成的云考勤架构并通过基础设施层获取所需的考勤数据以及位置数据;
S2、根据构建的云考勤架构以及获取的数据进行智能考勤管理分析,以输出考勤人员的评价、趋势描述、规律描述和打分;
其中,基础设施层采用了服务器集群并借助虚拟机进行虚拟化,还采用了分布式存储系统以及大数据管理系统来存储和管理数据,以为平台层提供具有硬件支撑能力的IaaS考勤服务;平台层提供PaaS考勤服务,并为软件应用层提供一个供调用的应用程序编程接口,所述PaaS考勤服务包括但不限于基于MapReduce的考勤数据并行处理服务、用户身份统一认证服务、备份容灾服务、负载均衡服务和接口服务;软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析,所述智能考勤管理分析包括但不限于考勤趋势与性格分析、考勤规律分析、考勤统计打分、考勤状态分析和异常规律分析。
进一步,所述服务器集群采用Hadoop服务器集群,所述虚拟机采用Linux操作系统的Xen虚拟机,所述分布式存储系统采用HFDS存储系统,所述大数据管理系统采用Hbase数据管理系统。
进一步,所述软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析这一过程,其包括:
软件应用层通过应用程序编程接口直接从Hbase数据管理系统读取所需的键值对,所述所需的键值对<key1,key2,key3;value>中key1、key2和key3合并为一个键值key,key1为考勤方式,key2为考勤对象,key3为智能考勤管理分析类别,值value为一个考勤对象的考勤数据;
根据读取的键值对采用基于MapReduce的考勤并行处理算法进行智能考勤管理分析。
进一步,所述根据读取的键值对采用基于MapReduce的考勤并行处理算法进行考勤状态分析这一过程,其包括:
采用基于MapReduce的考勤并行处理算法从全体考勤员工的考勤数据中找出考勤的积极区段、正常区段和消极区段;
根据单个员工的考勤数据判定单个员工在全体员工中所处的考勤区段,以确定单个员工的考勤状态。
进一步,所述采用基于MapReduce的考勤并行处理算法从全体考勤员工的考勤数据中找出考勤的积极区段、正常区段和消极区段这一过程,其包括:
采用Map函数计算平均考勤时间和平均考勤时间间隔,并从全体员工的考勤时间Tx中找出所有小于平均考勤时间的考勤时间,所述平均考勤时间Tref的计算公式为:Tref=(T1+T2+…+Tn)/n,所述平均考勤时间间隔Tp的计算公式为:Tp=(Tmax-Tmin)/n,其中,Tn为第n个员工的考勤时间,n为考勤员工的总数,Tmax为n个员工中最迟的考勤时间,Tmin为n个员工中最早的考勤时间;
shuffle内存缓冲区将所有小于平均考勤时间Tref的考勤时间Tx0,…,Txm按从大到小的顺序进行排列,得到降序排列Tx0,…,Txm;
采用Reduce函数计算降序排列Tx0,…,Txm中相邻两个考勤数据间的相邻时间间隔,然后在计算的降序排列Tx0,…,Txm中找出第一个使相邻时间间隔大于平均考勤时间间隔Tp的考勤时间Txa,并以找出的考勤时间Txa作为正常区段的起始时间,将计算的降序排列Tx0,…,Txm中考勤时间在Txa之后的考勤时间归入积极区段;
采用Map函数从全体员工的考勤时间Ty中找出所有大于等于平均考勤时间Tref的考勤时间,然后在shuffle内存缓冲区中将所有大于等于平均考勤时间Tref的考勤时间Ty0,…,Tym按从小到大的顺序进行排列,得到升序排列Ty0,…,Tym,其中,Ty=Tx;
采用Reduce函数计算升序排列Ty0,…,Tym中相邻两个考勤数据间的相邻时间间隔,然后在计算的升序排列Ty0,…,Tym中找出第一个使相邻时间间隔大于平均考勤时间间隔Tp的考勤时间Tyb,并以找出的考勤时间Tyb作为正常区段的结束时间,将计算的升序排列Ty0,…,Tym中考勤时间在Tyb之后的考勤时间归入消极区段;
根据Reduce函数的输出结果将全体员工的考勤时间Tx或考勤时间Ty中既不属于积极区段又不属于消极区段的考勤时间归入正常区段。
进一步,所述用户身份统一认证服务包括单点登录服务和用户认证服务,所述单点登录服务通过用户浏览器、应用系统服务器以及认证服务器来实现,所述用户认证服务通过认证管理器、缓存器和应用管理器来实现。
进一步,所述所需的考勤数据包括但不限于人脸考勤数据、指纹考勤数据、网络考勤数据以及移动终端考勤数据,所述所需的位置数据包括但不限于GPS定位数据、北斗定位数据和LBS位置数据。
进一步,所述步骤S2还进一步包括为用户设置相应的权限,使用户在设定的权限内通过网页浏览器、微信客户端或移动终端进行查询与修改操作。
本发明所采取的另一技术方案是:
一种基于云计算的智能考勤管理系统,包括:
云考勤架构构建及数据获取模块,用于构建由基础设施层、平台层和软件应用层组成的云考勤架构并通过基础设施层获取所需的考勤数据以及位置数据;
智能考勤管理分析模块,用于根据构建的云考勤架构以及获取的数据进行智能考勤管理分析,以输出考勤人员的评价、趋势描述、规律描述和打分;
其中,基础设施层采用了服务器集群并借助虚拟机进行虚拟化,还采用了分布式存储系统以及大数据管理系统来存储和管理数据,以为平台层提供具有硬件支撑能力的IaaS考勤服务;平台层提供PaaS考勤服务,并为软件应用层提供一个供调用的应用程序编程接口,所述PaaS考勤服务包括但不限于基于MapReduce的考勤数据并行处理服务、用户身份统一认证服务、备份容灾服务、负载均衡服务和接口服务;软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析,所述智能考勤管理分析包括但不限于考勤趋势与性格分析、考勤规律分析、考勤统计打分、考勤状态分析和异常规律分析。
进一步,所述智能考勤管理分析模块在软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析时,将依次执行以下单元的操作:
键值对读取单元,用于软件应用层通过应用程序编程接口直接从大数据管理系统读取所需的键值对,所述所需的键值对<key1,key2,key3;value>中key1、key2和key3合并为一个键值key,key1为考勤方式,key2为考勤对象,key3为智能考勤管理分析类别,值value为一个考勤对象的考勤数据;
MapReduce智能考勤管理分析单元,用于根据读取的键值对采用基于MapReduce的考勤并行处理算法进行智能考勤管理分析。
本发明的方法的有益效果是:基于云计算构建了由基础设施层、平台层和软件应用层组成的云考勤架构,然后根据构建的云考勤架构以及获取的数据进行智能考勤管理分析,将考勤管理服务部署在云平台上,不再需要企业部署专用的服务器设备,也不再需要专业的人员进行管理和维护,成本较低且效率较高;基础设施层采用了服务器集群、分布式存储系统以及大数据管理系统,能极大提升海量考勤数据的处理速度,而平台层提供的PaaS考勤服务包括基于MapReduce的考勤数据并行处理服务,通过MapReduce并行编程进一步提升了考勤数据的处理速度。进一步,软件应用层读取的键值对<key1,key2,key3;value>中key1、key2和key3合并为一个键值key,能将不同的考勤方式、不同的考勤对象以及不同的智能考勤管理分析类别下的考勤数据离散化,为层次化并行计算奠定了基础。进一步,在采用基于MapReduce的考勤并行处理算法从全体考勤员工的考勤数据中找出考勤的积极区段、正常区段和消极区段时,增设了shuffle内存缓冲区来进行排序,减少了Reduce函数的排序工作量,更加紧凑和高效。
本发明的系统的有益效果是:云考勤架构构建及数据获取模块基于云计算构建了由基础设施层、平台层和软件应用层组成的云考勤架构,然后通过智能考勤管理分析模块根据构建的云考勤架构以及获取的数据进行智能考勤管理分析,将考勤管理服务部署在云平台上,不再需要企业部署专用的服务器设备,也不再需要专业的人员进行管理和维护,成本较低且效率较高;基础设施层采用了服务器集群、分布式存储系统以及大数据管理系统,能极大提升海量考勤数据的处理速度,而平台层提供的PaaS考勤服务包括基于MapReduce的考勤数据并行处理服务,通过MapReduce并行编程进一步提升了考勤数据的处理速度。进一步,键值对读取单元中软件应用层读取的键值对<key1,key2,key3;value>中key1、key2和key3合并为一个键值key,能将不同的考勤方式、不同的考勤对象以及不同的智能考勤管理分析类别下的考勤数据离散化,为层次化并行计算奠定了基础。
附图说明
图1为本发明一种基于云计算的智能考勤管理方法的整体流程图;
图2为本发明云考勤架构的结构示意图;
图3为本发明采用基于MapReduce的考勤并行处理算法寻找考勤的积极区段、正常区段和消极区段的过程示意图。
具体实施方式
参照图1和图2,一种基于云计算的智能考勤管理方法,包括以下步骤:
S1、构建由基础设施层、平台层和软件应用层组成的云考勤架构并通过基础设施层获取所需的考勤数据以及位置数据;
S2、根据构建的云考勤架构以及获取的数据进行智能考勤管理分析,以输出考勤人员的评价、趋势描述、规律描述和打分;
其中,基础设施层采用了服务器集群并借助虚拟机进行虚拟化,还采用了分布式存储系统以及大数据管理系统来存储和管理数据,以为平台层提供具有硬件支撑能力的IaaS考勤服务;平台层提供PaaS考勤服务,并为软件应用层提供一个供调用的应用程序编程接口,所述PaaS考勤服务包括但不限于基于MapReduce的考勤数据并行处理服务、用户身份统一认证服务、备份容灾服务、负载均衡服务和接口服务;软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析,所述智能考勤管理分析包括但不限于考勤趋势与性格分析、考勤规律分析、考勤统计打分、考勤状态分析和异常规律分析。
进一步作为优选的实施方式,所述服务器集群采用Hadoop服务器集群,所述虚拟机采用Linux操作系统的Xen虚拟机,所述分布式存储系统采用HFDS存储系统,所述大数据管理系统采用Hbase数据管理系统。
进一步作为优选的实施方式,所述软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析这一过程,其包括:
软件应用层通过应用程序编程接口直接从Hbase数据管理系统读取所需的键值对,所述所需的键值对<key1,key2,key3;value>中key1、key2和key3合并为一个键值key,key1为考勤方式,key2为考勤对象,key3为智能考勤管理分析类别,值value为一个考勤对象的考勤数据;
根据读取的键值对采用基于MapReduce的考勤并行处理算法进行智能考勤管理分析。
进一步作为优选的实施方式,所述根据读取的键值对采用基于MapReduce的考勤并行处理算法进行考勤状态分析这一过程,其包括:
采用基于MapReduce的考勤并行处理算法从全体考勤员工的考勤数据中找出考勤的积极区段、正常区段和消极区段;
根据单个员工的考勤数据判定单个员工在全体员工中所处的考勤区段,以确定单个员工的考勤状态。
参照图3,进一步作为优选的实施方式,所述采用基于MapReduce的考勤并行处理算法从全体考勤员工的考勤数据中找出考勤的积极区段、正常区段和消极区段这一过程,其包括:
采用Map函数计算平均考勤时间和平均考勤时间间隔,并从全体员工的考勤时间Tx中找出所有小于平均考勤时间的考勤时间,所述平均考勤时间Tref的计算公式为:Tref=(T1+T2+…+Tn)/n,所述平均考勤时间间隔Tp的计算公式为:Tp=(Tmax-Tmin)/n,其中,Tn为第n个员工的考勤时间,n为考勤员工的总数,Tmax为n个员工中最迟的考勤时间,Tmin为n个员工中最早的考勤时间;
shuffle内存缓冲区将所有小于平均考勤时间Tref的考勤时间Tx0,…,Txm按从大到小的顺序进行排列,得到降序排列Tx0,…,Txm;
采用Reduce函数计算降序排列Tx0,…,Txm中相邻两个考勤数据间的相邻时间间隔,然后在计算的降序排列Tx0,…,Txm中找出第一个使相邻时间间隔大于平均考勤时间间隔Tp的考勤时间Txa,并以找出的考勤时间Txa作为正常区段的起始时间,将计算的降序排列Tx0,…,Txm中考勤时间在Txa之后的考勤时间归入积极区段;
采用Map函数从全体员工的考勤时间Ty中找出所有大于等于平均考勤时间Tref的考勤时间,然后在shuffle内存缓冲区中将所有大于等于平均考勤时间Tref的考勤时间Ty0,…,Tym按从小到大的顺序进行排列,得到升序排列Ty0,…,Tym,其中,Ty=Tx;
采用Reduce函数计算升序排列Ty0,…,Tym中相邻两个考勤数据间的相邻时间间隔,然后在计算的升序排列Ty0,…,Tym中找出第一个使相邻时间间隔大于平均考勤时间间隔Tp的考勤时间Tyb,并以找出的考勤时间Tyb作为正常区段的结束时间,将计算的升序排列Ty0,…,Tym中考勤时间在Tyb之后的考勤时间归入消极区段;
根据Reduce函数的输出结果将全体员工的考勤时间Tx或考勤时间Ty中既不属于积极区段又不属于消极区段的考勤时间归入正常区段。
进一步作为优选的实施方式,所述用户身份统一认证服务包括单点登录服务和用户认证服务,所述单点登录服务通过用户浏览器、应用系统服务器以及认证服务器来实现,所述用户认证服务通过认证管理器、缓存器和应用管理器来实现。
进一步作为优选的实施方式,所述所需的考勤数据包括但不限于人脸考勤数据、指纹考勤数据、网络考勤数据以及移动终端考勤数据,所述所需的位置数据包括但不限于GPS定位数据、北斗定位数据和LBS位置数据。
进一步,所述步骤S2还进一步包括为用户设置相应的权限,使用户在设定的权限内通过网页浏览器、微信客户端或移动终端进行查询与修改操作。
参照图1和图2,一种基于云计算的智能考勤管理系统,包括:
云考勤架构构建及数据获取模块,用于构建由基础设施层、平台层和软件应用层组成的云考勤架构并通过基础设施层获取所需的考勤数据以及位置数据;
智能考勤管理分析模块,用于根据构建的云考勤架构以及获取的数据进行智能考勤管理分析,以输出考勤人员的评价、趋势描述、规律描述和打分;
其中,基础设施层采用了服务器集群并借助虚拟机进行虚拟化,还采用了分布式存储系统以及大数据管理系统来存储和管理数据,以为平台层提供具有硬件支撑能力的IaaS考勤服务;平台层提供PaaS考勤服务,并为软件应用层提供一个供调用的应用程序编程接口,所述PaaS考勤服务包括但不限于基于MapReduce的考勤数据并行处理服务、用户身份统一认证服务、备份容灾服务、负载均衡服务和接口服务;软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析,所述智能考勤管理分析包括但不限于考勤趋势与性格分析、考勤规律分析、考勤统计打分、考勤状态分析和异常规律分析。
进一步作为优选的实施方式,所述智能考勤管理分析模块在软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析时,将依次执行以下单元的操作:
键值对读取单元,用于软件应用层通过应用程序编程接口直接从大数据管理系统读取所需的键值对,所述所需的键值对<key1,key2,key3;value>中key1、key2和key3合并为一个键值key,key1为考勤方式,key2为考勤对象,key3为智能考勤管理分析类别,值value为一个考勤对象的考勤数据;
MapReduce智能考勤管理分析单元,用于根据读取的键值对采用基于MapReduce的考勤并行处理算法进行智能考勤管理分析。
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。
实施例一
针对现有技术考勤管理成本较高、效率较低,无法满足人们对海量考勤数据处理速度高要求的问题,本发明提出了一种全新的,基于云计算的智能考勤管理方法及系统。
本发明基于云计算的智能考勤管理方法的具体实现过程包括以下步骤:
(一)构建由基础设施层、平台层和软件应用层组成的云考勤架构并通过基础设施层获取所需的考勤数据以及位置数据。
本发明的云考勤架构如图2所示,其由基础设施层、平台层和软件应用层组成。
其中,基础设施层是经虚拟化后的硬件资源和相关管理功能的集合, 通过虚拟化技术对计算机、存储设备与网络设备等硬件资源进行抽象, 从而向外部提供动态、灵活的IaaS考勤服务以及为上层(即平台层和软件应用层)提供硬件能力的支撑。在进行考勤时,基础设施层可采用服务器集群(如Hadoop服务器集群), 借助虚拟机(如Linux操作系统的Xen虚拟机)实现资源的虚拟化, 并采用分布式的冗余存储系统(如HFDS存储系统)以及基于列存储的大数据管理模式(如Hbase数据管理系统的大数据管理模式)来存储和管理数据, 保证了智能考勤管理系统数据的可靠性和高效管理。基础设施层利用云计算的虚拟化和通用性,将硬件资源虚拟化对上层透明,使上层无需关心底层硬件资源的地址位置和异构问题,以轻松使用底层提供的IaaS考勤服务。
平台层构建在基础设施层之上,是具有通用性和可重用性的软件资源的集合, 主要提供平台应用软件或应用程序编程接口(API)等开发测试环境服务,包括基于MapReduce的考勤数据并行处理服务、用户身份统一认证服务、备份容灾服务、负载均衡服务和接口服务。这些服务都向上层的软件应用层暴露出一个能够通过 Web 等方式进行调用的 API,以隐藏底层具体实现细节、故障处理等,使应用在开发时更关注企业的考勤管理服务需求。所有的接口调用都以一种服务化的形式提供,接口服务亦可作为第三方开发人员和应用的入口。其中,基于MapReduce的考勤数据并行处理平台提供计算服务和数据服务,而用户身份统一认证平台则提供用户认证服务以及单点登录服务。
软件应用层构建在平台层之上,是云考勤应用软件的集合。用户可以直接访问该层的考勤应用软件,不需要在本地安装。软件应用层的考勤应用软件通过应用程序编程接口调用平台层的服务进行智能考勤管理分析,而智能考勤管理分析则包括考勤趋势与性格分析、考勤规律分析、考勤统计打分、考勤状态分析和异常规律分析。其中,考勤趋势与性格分析出的考勤趋势包括积极的表现、稳定的表现和渐差的表现,与相对应,员工的性格依次为乐观、沉稳和消极。考勤规律分析出的考勤规律包括位于积极区段、位于稳定区段和位于消极阶段。异常规律分析主要分析考勤人员的异常情况(如迟到超过或早退超过1个小时等)。考勤打分包括上班正常打分、上班迟到打分、下班正常打分、下班早退打分、加班正常打分、加班迟到打分、加班早退打分、请假打分、加班时长打分、旷工时长打分和上下班连续考勤打分等。考勤状态分析出的考勤状态包括:位于积极区段,状态较好;位于正常区段,状态一般;位于消极区段,状态较差。
(二)根据构建的云考勤架构以及获取的数据进行智能考勤管理分析,以输出考勤人员的评价、趋势描述、规律描述和打分。
该过程主要由软件应用层通过应用程序编程接口调用平台层的服务来完成的。软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析的主要过程包括:
(1)软件应用层通过应用程序编程接口直接从Hbase数据管理系统读取所需的键值对,所述所需的键值对<key1,key2,key3;value>中key1、key2和key3合并为一个键值key,key1为考勤方式,key2为考勤对象,key3为智能考勤管理分析类别,值value为一个考勤对象的考勤数据。其中,考勤方式包括人脸考勤、指纹考勤、网络考勤和移动终端考勤(网络考勤和移动终端考勤还需要结合GPS或北斗系统的定位数据、LBS系统的位置数据来完成考勤)。考勤对象包括单个员工、单个部门的员工和全体员工。智能考勤管理分析类别包括考勤趋势与性格分析、考勤规律分析、考勤统计打分、考勤状态分析和异常规律分析。Hbase数据管理系统采用键值对<key1,key2,key3;value>这样的存储设计,能将不同的考勤方式、不同的考勤对象以及不同的智能考勤管理分析类别下的考勤数据离散化,为层次化并行计算奠定了基础。
(2)根据读取的键值对采用基于MapReduce的考勤并行处理算法进行智能考勤管理分析。
为了进一步提高考勤管理中考勤数据的处理速度和处理效率,本发明在传统的MapReduce 编程机制的基础上进行了改进,专门设计了一种基于MapReduce的考勤数据并行处理算法来进行考勤管理分析。
传统的MapReduce 编程机制分为Map和Reduce 这2 个阶段。而由于本发明考勤管理所涉及的计算与排序过程较复杂,本发明增加了一个在shuffle内存缓冲区排序的阶段,以降低Reduce阶段排序的负担。
如图3所示,以考勤数据为考勤时间,并从全体考勤员工的考勤数据中找出考勤的积极区段、正常区段和消极区段为例,采用MapReduce并行处理算法的过程主要包括:
1)采用MapReduce并行处理算法找出考勤的积极区段。
该过程可进一步细分为:
a.采用Map函数计算平均考勤时间Tref和平均考勤时间间隔Tp,并从全体员工的考勤时间Tx中找出所有小于平均考勤时间的考勤时间,其中,Tref=(T1+T2+…+Tn)/n,Tp=(Tmax-Tmin)/n;
b. shuffle内存缓冲区将所有小于平均考勤时间Tref的考勤时间Tx0,…,Txm按从大到小的顺序进行排列,得到降序排列Tx0,…,Txm;
c. 采用Reduce函数计算降序排列Tx0,…,Txm中相邻两个考勤数据间的相邻时间间隔,然后在计算的降序排列Tx0,…,Txm中找出第一个使相邻时间间隔大于平均考勤时间间隔Tp的考勤时间Txa,并以找出的考勤时间Txa作为正常区段的起始时间,将计算的降序排列Tx0,…,Txm中考勤时间在Txa之后的考勤时间归入积极区段。
2)采用MapReduce并行处理算法找出考勤的消极区段。
该过程可进一步细分为:
h.采用Map函数从全体员工的考勤时间Ty中找出所有大于等于平均考勤时间Tref的考勤时间,其中,Ty=Tx;
i. shuffle内存缓冲区将所有大于等于平均考勤时间Tref的考勤时间Ty0,…,Tym按从小到大的顺序进行排列,得到升序排列Ty0,…,Tym;
j. 采用Reduce函数计算升序排列Ty0,…,Tym中相邻两个考勤数据间的相邻时间间隔,然后在计算的升序排列Ty0,…,Tym中找出第一个使相邻时间间隔大于平均考勤时间间隔Tp的考勤时间Tyb,并以找出的考勤时间Tyb作为正常区段的结束时间,将计算的升序排列Ty0,…,Tym中考勤时间在Tyb之后的考勤时间归入消极区段。
考勤的积极区段和消极阶段皆得出后,即可根据全体员工的考勤时间确定考勤的正常区段。
为了降低考勤管理系统的认证工作量,本发明还设计了基于单点登录和用户认证的用户身份统一认证服务,实现了用户一次认证即可登录所有应用系统的目标。单点登录服务和用户认证服务均基于WEB网络服务。其中,单点登录服务通过用户浏览器、应用系统服务器以及认证服务器来实现,而用户认证服务则通过认证管理器、缓存器和应用管理器来实现。在单点登录服务中,若用户已经登陆过该管理系统,直接进入;若未登陆过该管理系统,管理系统获得认证服务提供的凭据信息,判断是否有记录的用户名,没有则启动登录提示,有则直接进入,并由该成员系统记录该用户信息,而用户认证服务则通过根据用户提交的表单等代表身份的信息确定用户的身份。
此外,本发明还为增加了权限管理的内容,为不同的用户提供不同的访问权限,以增加系统的安全性。例如,企业的普通员工的权限为一级权限,只能通过WEB网络或移动终端查询与确认相应的考勤信息,无法进行修改和考勤规则的设置;普通管理员的权限为二级权限,能通过WEB网络或移动终端查询与修改所有员工的考勤信息,但无法进行考勤规则的设置;老板、经理等人的权限为三级权限,能通过WEB网络或移动终端查询与修改所有员工的考勤信息,也可进行考勤规则的设置。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
1.一种基于云计算的智能考勤管理方法,其特征在于:包括以下步骤:
S1、构建由基础设施层、平台层和软件应用层组成的云考勤架构并通过基础设施层获取所需的考勤数据以及位置数据;
S2、根据构建的云考勤架构以及获取的数据进行智能考勤管理分析,以输出考勤人员的评价、趋势描述、规律描述和打分;
其中,基础设施层采用了服务器集群并借助虚拟机进行虚拟化,还采用了分布式存储系统以及大数据管理系统来存储和管理数据,以为平台层提供具有硬件支撑能力的IaaS考勤服务;平台层提供PaaS考勤服务,并为软件应用层提供一个供调用的应用程序编程接口,所述PaaS考勤服务包括但不限于基于MapReduce的考勤数据并行处理服务、用户身份统一认证服务、备份容灾服务、负载均衡服务和接口服务;软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析,所述智能考勤管理分析包括但不限于考勤趋势与性格分析、考勤规律分析、考勤统计打分、考勤状态分析和异常规律分析;
所述服务器集群采用Hadoop服务器集群,所述虚拟机采用Linux操作系统的Xen虚拟机,所述分布式存储系统采用HFDS存储系统,所述大数据管理系统采用Hbase数据管理系统;
所述软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析这一过程,其包括:
软件应用层通过应用程序编程接口直接从Hbase数据管理系统读取所需的键值对,所述所需的键值对<key1,key2,key3;value>中key1、key2和key3合并为一个键值key,key1为考勤方式,key2为考勤对象,key3为智能考勤管理分析类别,值value为一个考勤对象的考勤数据;
根据读取的键值对采用基于MapReduce的考勤并行处理算法进行智能考勤管理分析;
所述根据读取的键值对采用基于MapReduce的考勤并行处理算法进行考勤状态分析这一过程,其包括:
采用基于MapReduce的考勤并行处理算法从全体考勤员工的考勤数据中找出考勤的积极区段、正常区段和消极区段;
根据单个员工的考勤数据判定单个员工在全体员工中所处的考勤区段,以确定单个员工的考勤状态;
所述采用基于MapReduce的考勤并行处理算法从全体考勤员工的考勤数据中找出考勤的积极区段、正常区段和消极区段这一过程,其包括:
采用Map函数计算平均考勤时间和平均考勤时间间隔,并从全体员工的考勤时间Tx中找出所有小于平均考勤时间的考勤时间,所述平均考勤时间Tref的计算公式为:Tref=(T1+T2+…+Tn)/n,所述平均考勤时间间隔Tp的计算公式为:Tp=(Tmax-Tmin)/n,其中,Tn为第n个员工的考勤时间,n为考勤员工的总数,Tmax为n个员工中最迟的考勤时间,Tmin为n个员工中最早的考勤时间;
shuffle内存缓冲区将所有小于平均考勤时间Tref的考勤时间Tx0,…,Txm按从大到小的顺序进行排列,得到降序排列Tx0,…,Txm;
采用Reduce函数计算降序排列Tx0,…,Txm中相邻两个考勤数据间的相邻时间间隔,然后在计算的降序排列Tx0,…,Txm中找出第一个使相邻时间间隔大于平均考勤时间间隔Tp的考勤时间Txa,并以找出的考勤时间Txa作为正常区段的起始时间,将计算的降序排列Tx0,…,Txm中考勤时间在Txa之后的考勤时间归入积极区段;
采用Map函数从全体员工的考勤时间Ty中找出所有大于等于平均考勤时间Tref的考勤时间,然后在shuffle内存缓冲区中将所有大于等于平均考勤时间Tref的考勤时间Ty0,…,Tym按从小到大的顺序进行排列,得到升序排列Ty0,…,Tym,其中,Ty=Tx;
采用Reduce函数计算升序排列Ty0,…,Tym中相邻两个考勤数据间的相邻时间间隔,然后在计算的升序排列Ty0,…,Tym中找出第一个使相邻时间间隔大于平均考勤时间间隔Tp的考勤时间Tyb,并以找出的考勤时间Tyb作为正常区段的结束时间,将计算的升序排列Ty0,…,Tym中考勤时间在Tyb之后的考勤时间归入消极区段;
根据Reduce函数的输出结果将全体员工的考勤时间Tx或考勤时间Ty中既不属于积极区段又不属于消极区段的考勤时间归入正常区段。
2.根据权利要求1所述的一种基于云计算的智能考勤管理方法,其特征在于:所述用户身份统一认证服务包括单点登录服务和用户认证服务,所述单点登录服务通过用户浏览器、应用系统服务器以及认证服务器来实现,所述用户认证服务通过认证管理器、缓存器和应用管理器来实现。
3.根据权利要求1所述的一种基于云计算的智能考勤管理方法,其特征在于:所述所需的考勤数据包括但不限于人脸考勤数据、指纹考勤数据、网络考勤数据以及移动终端考勤数据,所述所需的位置数据包括但不限于GPS定位数据、北斗定位数据和LBS位置数据。
4.根据权利要求1任一项所述的一种基于云计算的智能考勤管理方法,其特征在于:所述步骤S2还进一步包括为用户设置相应的权限,使用户在设定的权限内通过网页浏览器、微信客户端或移动终端进行查询与修改操作。
5.一种基于云计算的智能考勤管理系统,其特征在于:包括:
云考勤架构构建及数据获取模块,用于构建由基础设施层、平台层和软件应用层组成的云考勤架构并通过基础设施层获取所需的考勤数据以及位置数据;
智能考勤管理分析模块,用于根据构建的云考勤架构以及获取的数据进行智能考勤管理分析,以输出考勤人员的评价、趋势描述、规律描述和打分;
其中,基础设施层采用了服务器集群并借助虚拟机进行虚拟化,还采用了分布式存储系统以及大数据管理系统来存储和管理数据,以为平台层提供具有硬件支撑能力的IaaS考勤服务;平台层提供PaaS考勤服务,并为软件应用层提供一个供调用的应用程序编程接口,所述PaaS考勤服务包括但不限于基于MapReduce的考勤数据并行处理服务、用户身份统一认证服务、备份容灾服务、负载均衡服务和接口服务;软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析,所述智能考勤管理分析包括但不限于考勤趋势与性格分析、考勤规律分析、考勤统计打分、考勤状态分析和异常规律分析;
所述智能考勤管理分析模块在软件应用层通过应用程序编程接口调用平台层的服务进行智能考勤管理分析时,将依次执行以下单元的操作:
键值对读取单元,用于软件应用层通过应用程序编程接口直接从大数据管理系统读取所需的键值对,所述所需的键值对<key1,key2,key3;value>中key1、key2和key3合并为一个键值key,key1为考勤方式,key2为考勤对象,key3为智能考勤管理分析类别,值value为一个考勤对象的考勤数据;
MapReduce智能考勤管理分析单元,用于根据读取的键值对采用基于MapReduce的考勤并行处理算法进行智能考勤管理分析;
所述服务器集群采用Hadoop服务器集群,所述虚拟机采用Linux操作系统的Xen虚拟机,所述分布式存储系统采用HFDS存储系统,所述大数据管理系统采用Hbase数据管理系统;
所述MapReduce智能考勤管理分析单元根据读取的键值对采用基于MapReduce的考勤并行处理算法进行考勤状态分析这一过程,其包括:
采用基于MapReduce的考勤并行处理算法从全体考勤员工的考勤数据中找出考勤的积极区段、正常区段和消极区段;
根据单个员工的考勤数据判定单个员工在全体员工中所处的考勤区段,以确定单个员工的考勤状态;
所述采用基于MapReduce的考勤并行处理算法从全体考勤员工的考勤数据中找出考勤的积极区段、正常区段和消极区段这一过程,其包括:
采用Map函数计算平均考勤时间和平均考勤时间间隔,并从全体员工的考勤时间Tx中找出所有小于平均考勤时间的考勤时间,所述平均考勤时间Tref的计算公式为:Tref=(T1+T2+…+Tn)/n,所述平均考勤时间间隔Tp的计算公式为:Tp=(Tmax-Tmin)/n,其中,Tn为第n个员工的考勤时间,n为考勤员工的总数,Tmax为n个员工中最迟的考勤时间,Tmin为n个员工中最早的考勤时间;
shuffle内存缓冲区将所有小于平均考勤时间Tref的考勤时间Tx0,…,Txm按从大到小的顺序进行排列,得到降序排列Tx0,…,Txm;
采用Reduce函数计算降序排列Tx0,…,Txm中相邻两个考勤数据间的相邻时间间隔,然后在计算的降序排列Tx0,…,Txm中找出第一个使相邻时间间隔大于平均考勤时间间隔Tp的考勤时间Txa,并以找出的考勤时间Txa作为正常区段的起始时间,将计算的降序排列Tx0,…,Txm中考勤时间在Txa之后的考勤时间归入积极区段;
采用Map函数从全体员工的考勤时间Ty中找出所有大于等于平均考勤时间Tref的考勤时间,然后在shuffle内存缓冲区中将所有大于等于平均考勤时间Tref的考勤时间Ty0,…,Tym按从小到大的顺序进行排列,得到升序排列Ty0,…,Tym,其中,Ty=Tx;
采用Reduce函数计算升序排列Ty0,…,Tym中相邻两个考勤数据间的相邻时间间隔,然后在计算的升序排列Ty0,…,Tym中找出第一个使相邻时间间隔大于平均考勤时间间隔Tp的考勤时间Tyb,并以找出的考勤时间Tyb作为正常区段的结束时间,将计算的升序排列Ty0,…,Tym中考勤时间在Tyb之后的考勤时间归入消极区段;
根据Reduce函数的输出结果将全体员工的考勤时间Tx或考勤时间Ty中既不属于积极区段又不属于消极区段的考勤时间归入正常区段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610247967.9A CN105957170B (zh) | 2016-04-20 | 2016-04-20 | 一种基于云计算的智能考勤管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610247967.9A CN105957170B (zh) | 2016-04-20 | 2016-04-20 | 一种基于云计算的智能考勤管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105957170A CN105957170A (zh) | 2016-09-21 |
CN105957170B true CN105957170B (zh) | 2018-07-24 |
Family
ID=56917895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610247967.9A Active CN105957170B (zh) | 2016-04-20 | 2016-04-20 | 一种基于云计算的智能考勤管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105957170B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106899589A (zh) * | 2017-02-23 | 2017-06-27 | 点点时光(武汉)科技有限公司 | 一种全分布式的点名/签到方法及系统 |
CN106897863A (zh) * | 2017-02-28 | 2017-06-27 | 郑州云海信息技术有限公司 | 一种职业数据管理云平台 |
CN107133098A (zh) * | 2017-04-24 | 2017-09-05 | 东莞中国科学院云计算产业技术创新与育成中心 | 基于云计算的人力资源数据处理平台 |
CN107958503B (zh) * | 2017-12-04 | 2020-11-17 | 深圳春沐源控股有限公司 | 一种人员绩效考核方法及系统 |
CN108108414A (zh) * | 2017-12-13 | 2018-06-01 | 上海应用技术大学 | 基于Hadoop的绩效考核管理网站的生成方法及系统 |
CN113343209A (zh) * | 2021-07-05 | 2021-09-03 | 陈海龙 | 基于云计算的单点登陆管理智慧校园综合服务系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258259A (zh) * | 2013-05-28 | 2013-08-21 | 浪潮通信信息系统有限公司 | 一种基于位置信息技术的员工协同管理方法 |
CN103632404A (zh) * | 2013-09-10 | 2014-03-12 | 北京思特奇信息技术股份有限公司 | 一种基于融合通信技术实现的多企业考勤方法及系统 |
CN105225056A (zh) * | 2015-10-14 | 2016-01-06 | 广州市贺氏办公设备有限公司 | 一种智能考勤管理分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9123031B2 (en) * | 2013-04-26 | 2015-09-01 | Airwatch Llc | Attendance tracking via device presence |
-
2016
- 2016-04-20 CN CN201610247967.9A patent/CN105957170B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258259A (zh) * | 2013-05-28 | 2013-08-21 | 浪潮通信信息系统有限公司 | 一种基于位置信息技术的员工协同管理方法 |
CN103632404A (zh) * | 2013-09-10 | 2014-03-12 | 北京思特奇信息技术股份有限公司 | 一种基于融合通信技术实现的多企业考勤方法及系统 |
CN105225056A (zh) * | 2015-10-14 | 2016-01-06 | 广州市贺氏办公设备有限公司 | 一种智能考勤管理分析方法 |
Non-Patent Citations (2)
Title |
---|
云计算:体系架构与关键技术;罗军舟等;《通信学报》;20110731;第32卷(第7期);第3-21页 * |
基于MapReduce模型的间歇性能源海量数据处理技术;梅华威等;《电力系统自动化》;20140810;第38卷(第15期);第76-80页、第99页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105957170A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105957170B (zh) | 一种基于云计算的智能考勤管理方法及系统 | |
Barika et al. | Orchestrating big data analysis workflows in the cloud: research challenges, survey, and future directions | |
Wang et al. | Maptask scheduling in mapreduce with data locality: Throughput and heavy-traffic optimality | |
TWI454946B (zh) | 多租戶架構之執行方法 | |
CN112347754A (zh) | 建立联合学习框架 | |
Stergiou et al. | Digital twin intelligent system for industrial IoT-based big data management and analysis in cloud | |
CN113468511B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
US20120185528A1 (en) | Session allocation for distributed virtual desktop architecture | |
Barrak et al. | Serverless on machine learning: A systematic mapping study | |
Bansal et al. | A systematic review of task scheduling approaches in fog computing | |
US20230353505A1 (en) | System and method for tag based resource limits or quotas in a cloud infrastructure environment | |
CN114553865A (zh) | 异构混合云系统架构设计方法 | |
Rezgui et al. | CloudFinder: A system for processing big data workloads on volunteered federated clouds | |
Keshavarzi et al. | Research challenges and prospective business impacts of cloud computing: A survey | |
Carrión | Kubernetes as a standard container orchestrator-a bibliometric analysis | |
Kasyap et al. | The World of Communication & Computing Platform In Research Perspective: Opportunities and Challenges | |
Gundu et al. | Emerging computational challenges in cloud computing and RTEAH algorithm based solution | |
Wang et al. | GISolve: A grid-based problem solving environment for computationally intensive geographic information analysis | |
Jiang et al. | Performance analysis of heterogeneous cloud-edge services: A modeling approach | |
CN107026864A (zh) | 基于云计算的孵化在线SaaS平台 | |
US20230196182A1 (en) | Database resource management using predictive models | |
Cheng et al. | Auto-scaling for real-time stream analytics on HPC cloud | |
Lee et al. | A greedy load balancing algorithm for faaS platforms | |
US20210390003A1 (en) | Distributed application execution for cloud computing | |
He et al. | Dynamic scalable stochastic petri net: A novel model for designing and analysis of resource scheduling in cloud computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |